
import osmnx as ox
import numpy as np
import pandas as pd
import geopandas as gp
import folium
from shapely.geometry import Point, Polygon


import re

def eliminar_tildes(texto):
        texto = re.sub('á','a', texto)
        texto = re.sub('é','e', texto)
        texto = re.sub('í','i', texto)
        texto = re.sub('ó','o', texto)
        texto = re.sub('ú','u', texto)
        texto = re.sub('ñ','n', texto)
        return texto.upper()
    
def arreglar(texto):
    texto = texto.lower()
    texto = texto.replace('.','')
    texto = eliminar_tildes(texto)
    return texto


# Region de la que queremos hacer la busqueda
region = "Costa Rica"
# Criterio de busqueda
etiquetas = {'amenity':"bank"}

resultado = ox.geometries_from_place(query = region, tags = etiquetas)
resultado.columns

/Users/promidat04/opt/anaconda3/lib/python3.9/site-packages/osmnx/geometries.py:805: ShapelyDeprecationWarning: __len__ for multi-part geometries is deprecated and will be removed in Shapely 2.0. Check the length of the `geoms` property instead to get the  number of parts of a multi-part geometry.
  for merged_outer_linestring in list(merged_outer_linestrings):
/Users/promidat04/opt/anaconda3/lib/python3.9/site-packages/osmnx/geometries.py:805: ShapelyDeprecationWarning: Iteration over multi-part geometries is deprecated and will be removed in Shapely 2.0. Use the `geoms` property to access the constituent parts of a multi-part geometry.
  for merged_outer_linestring in list(merged_outer_linestrings):

Index(['amenity', 'name', 'geometry', 'addr:city', 'addr:street', 'atm',
       'phone', 'name:es', 'nodes', 'brand', 'brand:en', 'brand:es',
       'brand:wikidata', 'brand:wikipedia', 'building', 'name:en',
       'official_name', 'official_name:en', 'official_name:es', 'short_name',
       'source', 'drive_through', 'opening_hours', 'operator', 'website',
       'addr:full', 'area', 'alt_name', 'level', 'note', 'addr:postcode',
       'building:levels', 'construction', 'fixme', 'designation', 'name:de',
       'name:it', 'addr:housename', 'int_name', 'layer', 'operator:wikidata',
       'operator:wikipedia', 'addr:place', 'indoor', 'addr:local', 'parts',
       'email', 'buildingpart', 'height', 'wheelchair', 'source_1', 'phone_1',
       'phone_2', 'branch', 'ways', 'type', 'is_in', 'addr:suburb',
       'description', 'addr:housenumber', 'landuse', 'cajero', 'shop',
       'building:colour', 'building:material', 'roof:colour',
       'air_conditioning', 'amenity_1', 'alt_name:en', 'alt_name:es'],
      dtype='object')


bancos = resultado[["name","geometry"]]
bancos


import folium
# coordenadas de Costa Rica 9.934598, -84.094154
m = folium.Map(location=[9.933333,  -84.083333], zoom_start = 13)
folium.TileLayer('CartoDB positron').add_to(m)
display(m)


#elimino NaN
bancos = bancos.dropna()


bancos = bancos[bancos.name.str.match("(Banco Nacional|BAC|Banco de Costa Rica|Banco Popular)")] 
bancos


for geom, nombre in zip(bancos.geometry, bancos.name):
  edificio = folium.GeoJson(data = geom).add_to(m) # agregar edificio
  etiqueta = folium.Popup(nombre).add_to(edificio) # agregar etiqueta
    
display(m)


bancos["x"] = bancos.centroid.x
bancos["y"] = bancos.centroid.y
bancos[["x","y"]]

/var/folders/2p/yndl9k2n4kd5csrt0b9hz2ww0000gn/T/ipykernel_13576/4274385975.py:1: UserWarning: Geometry is in a geographic CRS. Results from 'centroid' are likely incorrect. Use 'GeoSeries.to_crs()' to re-project geometries to a projected CRS before this operation.

  bancos["x"] = bancos.centroid.x
/var/folders/2p/yndl9k2n4kd5csrt0b9hz2ww0000gn/T/ipykernel_13576/4274385975.py:2: UserWarning: Geometry is in a geographic CRS. Results from 'centroid' are likely incorrect. Use 'GeoSeries.to_crs()' to re-project geometries to a projected CRS before this operation.

  bancos["y"] = bancos.centroid.y


bancos.loc[bancos.name.astype(str).str.contains('BAC'),'name'] = 'BAC'
bancos.loc[bancos.name.astype(str).str.contains('Banco.*Costa Rica|BCR'),'name'] = 'Banco de Costa Rica'
bancos.loc[bancos.name.astype(str).str.contains('Banco Popular'),'name'] = 'Banco Popular'
bancos.loc[bancos.name.astype(str).str.contains('Banco Nacional|BN'),'name'] = 'Banco Nacional'


estilos = {
  "Banco de Costa Rica":{"color":"red"},
  "Banco Nacional":{"color":"blue"},
    "Banco Popular":{"color":"green"},
    "BAC":{"color":"yellow"}
}


bancos.name.unique()

array(['Banco de Costa Rica', 'Banco Nacional', 'Banco Popular', 'BAC'],
      dtype=object)


for bancos in bancos.itertuples():
  estilo = estilos[bancos.name]
  c = folium.Marker(location=[bancos.y,bancos.x], popup = bancos.name,
                    icon = folium.Icon(color = estilo["color"])).add_to(m)

m

/var/folders/2p/yndl9k2n4kd5csrt0b9hz2ww0000gn/T/ipykernel_13576/3810276875.py:4: UserWarning: color argument of Icon should be one of: {'blue', 'lightred', 'cadetblue', 'darkpurple', 'darkgreen', 'black', 'darkred', 'beige', 'purple', 'lightgray', 'lightblue', 'pink', 'darkblue', 'orange', 'red', 'lightgreen', 'white', 'gray', 'green'}.
  icon = folium.Icon(color = estilo["color"])).add_to(m)


cantones = gp.read_file("../datos/geo_data/cantones/cantones.shp")
cantones.head()


bancos_puntos = resultado[[True if bancos.__class__.__name__ == "Point" else False for bancos in resultado.geometry]]


bancos_puntos['x'] = bancos_puntos['geometry'].x
bancos_puntos['y'] = bancos_puntos['geometry'].y

bancos_puntos[["name", "x","y"]].head(15)

/Users/promidat04/opt/anaconda3/lib/python3.9/site-packages/geopandas/geodataframe.py:1351: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  super().__setitem__(key, value)


from shapely.geometry import Point, Polygon

bancos_puntos["geometry"] = [Point(x,y) for x,y in zip(bancos_puntos.x, bancos_puntos.y)]

#contamos los puntos
resultado = []
for canton in cantones.geometry:
  conteo = sum([canton.contains(punto) for punto in bancos_puntos["geometry"]])
  resultado.append(conteo)
    
cantones["cantidad_bancos"] = resultado

cantones[["canton","cantidad_bancos"]].head(15)

/Users/promidat04/opt/anaconda3/lib/python3.9/site-packages/geopandas/geodataframe.py:1351: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  super().__setitem__(key, value)


import folium
# coordenadas de Costa Rica 9.934598, -84.094154
m = folium.Map(location=[9.933333,  -84.083333], zoom_start = 13)
folium.TileLayer('CartoDB positron').add_to(m)

<folium.raster_layers.TileLayer at 0x7fca54e2b820>


choropleth = folium.Choropleth(
 geo_data = cantones,
 data = cantones,
 columns = ["canton","cantidad_bancos"],
 key_on = "feature.properties.canton",
 fill_color = 'OrRd',
 highlight = True).add_to(m)
 
choropleth.geojson.add_child(
    folium.features.GeoJsonTooltip(['canton','cantidad_bancos'], labels=False)
).add_to(m)

display(m)


datos = pd.read_excel(io = "../datos/base-de-datos-IPS-cantonal.xlsx")

datos1 = datos[["Cantón",'Índice de Progreso Social']]
datos1['Cantón'] = [arreglar(x) for x in datos1['Cantón']]
datos1.rename(columns = {'Cantón':'canton'}, inplace = True)
datos1.head()

/Users/promidat04/opt/anaconda3/lib/python3.9/site-packages/openpyxl/worksheet/_reader.py:312: UserWarning: Unknown extension is not supported and will be removed
  warn(msg)
/var/folders/2p/yndl9k2n4kd5csrt0b9hz2ww0000gn/T/ipykernel_13576/3638783506.py:4: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  datos1['Cantón'] = [arreglar(x) for x in datos1['Cantón']]
/Users/promidat04/opt/anaconda3/lib/python3.9/site-packages/pandas/core/frame.py:5039: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  return super().rename(


cantones['canton'] = [arreglar(x) for x in cantones['canton']]
cantones.head()


df = cantones.merge(datos1,how = "left")
df.head(15)


import folium
# coordenadas de Costa Rica 9.934598, -84.094154
m = folium.Map(location=[9.933333,  -84.083333], zoom_start = 13)
folium.TileLayer('CartoDB positron').add_to(m)

<folium.raster_layers.TileLayer at 0x7fca395b39a0>


choropleth = folium.Choropleth(
 geo_data = df,
 data = df,
 columns = ["canton","Índice de Progreso Social"],
 key_on = "feature.properties.canton",
 fill_color = 'OrRd',
 highlight = True).add_to(m)
 
choropleth.geojson.add_child(
    folium.features.GeoJsonTooltip(['canton','Índice de Progreso Social'], labels=False)
).add_to(m)
m


datos1 = datos[["Cantón",'Esperanza de vida al nacer']]
datos1['Cantón'] = [arreglar(x) for x in datos1['Cantón']]
datos1.rename(columns = {'Cantón':'canton'}, inplace = True)
datos1.head()

/var/folders/2p/yndl9k2n4kd5csrt0b9hz2ww0000gn/T/ipykernel_13576/2771134960.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  datos1['Cantón'] = [arreglar(x) for x in datos1['Cantón']]
/Users/promidat04/opt/anaconda3/lib/python3.9/site-packages/pandas/core/frame.py:5039: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  return super().rename(


df = cantones.merge(datos1,how = "left")
df.head(15)


import folium
# coordenadas de Costa Rica 9.934598, -84.094154
m = folium.Map(location=[9.933333,  -84.083333], zoom_start = 13)
folium.TileLayer('CartoDB positron').add_to(m)

<folium.raster_layers.TileLayer at 0x7fca394b8970>


choropleth = folium.Choropleth(
 geo_data = df,
 data = df,
 columns = ["canton","Esperanza de vida al nacer"],
 key_on = "feature.properties.canton",
 fill_color = 'YlGnBu',
 highlight = True).add_to(m)

folium.LayerControl().add_to(m)

choropleth.geojson.add_child(
    folium.features.GeoJsonTooltip(['canton','Esperanza de vida al nacer'], labels=False)
).add_to(m)
m


import altair as alt
from vega_datasets import data

movies =data.movies()
movies = movies[["Release_Date","Title","Major_Genre","Rotten_Tomatoes_Rating","Production_Budget"]]
movies.Title = movies.Title.astype(str)
movies.Release_Date = pd.to_datetime(movies.Release_Date)
movies = movies.dropna()
movies = movies.query('19800101 < Release_Date < 20100101')


alt.Chart(movies,
                 title = "Relación año y presupuesto de producción."
                 ).mark_line(point = { "size": 80},
                             strokeWidth = 5,
                             color = "#c67ace").encode(
    x = alt.X('year(Release_Date):T', title = "fecha"),
    y = alt.Y('sum(Production_Budget):Q', 
              title = "presupuesto",
              scale = alt.Scale(zero = False, type = "log")),
    color = alt.Color('Major_Genre', 
                      legend = alt.Legend(title = "Género principal")),
    tooltip = ['year(Release_Date):T',
               'min(Production_Budget):Q',
               'mean(Production_Budget):Q',
               'median(Production_Budget):Q',
               'max(Production_Budget):Q']).properties(width=650, height=400
    ).interactive()


decada = (movies["Release_Date"].dt.year //10)*10

movies["decada"] = decada

movies.decada = pd.to_datetime(movies.decada,format='%Y')


movies["decada"].dt.year

3       1990
4       1990
28      1990
31      1990
34      1990
        ... 
3196    2000
3197    2000
3198    2000
3199    2000
3200    1990
Name: decada, Length: 2040, dtype: int64


alt.Chart(movies, 
                 title = "Peliculas publicadas por año según su género"
                 ).mark_area().encode(
    x = alt.X('year(decada):O', title = "Año"),
    y = alt.Y('count(Major_Genre):Q',
              title='Cantidad de películas',
              stack="normalize"),
    color = alt.Color("Major_Genre", title = "Género")).properties(width=650, height=400
    )

		name	geometry
element_type	osmid
node	1216928250	Banco de Costa Rica	POINT (-85.61129 11.21112)
	1216933006	Coopeservidores	POINT (-85.62927 11.07378)
	1216938665	Coopealianza	POINT (-85.63495 11.07487)
	3850658798	Western Union	POINT (-85.63499 11.07483)
	4705800690	Banco de Costa Rica	POINT (-85.63368 11.07213)
	...	...	...
	879780691	Banco de Costa Rica	POINT (-82.83936 8.53474)
	3728651531	Coopeservidores	POINT (-82.94353 8.64758)
	6757609847	Coopealianza	POINT (-82.91023 8.44386)
	6852650131	Grupo Mutual	POINT (-82.94348 8.64779)
way	428375535	Banco Popular	POLYGON ((-82.94348 8.64971, -82.94313 8.64968...

		name	geometry
element_type	osmid
node	1216928250	Banco de Costa Rica	POINT (-85.61129 11.21112)
node	4705800690	Banco de Costa Rica	POINT (-85.63368 11.07213)
way	302006416	Banco Nacional	POLYGON ((-85.62958 11.07031, -85.62956 11.070...
	381870071	Banco Popular	POLYGON ((-85.63426 11.07207, -85.63407 11.072...
	285165896	Banco de Costa Rica	POLYGON ((-85.78268 10.43167, -85.78272 10.431...
...	...	...	...
node	1439016818	Banco Nacional	POINT (-82.91224 8.81970)
	814344073	Banco Nacional	POINT (-82.91044 8.44287)
	814479585	Banco Nacional	POINT (-82.94352 8.64729)
	879780691	Banco de Costa Rica	POINT (-82.83936 8.53474)
way	428375535	Banco Popular	POLYGON ((-82.94348 8.64971, -82.94313 8.64968...

		x	y
element_type	osmid
node	1216928250	-85.611292	11.211121
node	4705800690	-85.633679	11.072130
way	302006416	-85.629489	11.070238
	381870071	-85.634132	11.072004
	285165896	-85.782619	10.431575
...	...	...	...
node	1439016818	-82.912240	8.819700
	814344073	-82.910437	8.442870
	814479585	-82.943522	8.647289
	879780691	-82.839358	8.534740
way	428375535	-82.943316	8.649570

	provincia	canton	poblacion	area_k2	geometry
0	Puntarenas	Corredores	51291.0	623.723527	POLYGON ((-82.90137 8.72708, -82.90033 8.72265...
1	Puntarenas	Golfito	44572.0	1750.056183	MULTIPOLYGON (((-83.46660 8.68827, -83.46669 8...
2	Puntarenas	Coto Brus	44176.0	944.175405	POLYGON ((-82.96647 9.09421, -82.96337 9.09420...
3	Puntarenas	Osa	30818.0	1922.774483	POLYGON ((-83.83946 9.25534, -83.83642 9.25533...
4	Puntarenas	Buenos Aires	52126.0	2382.972927	POLYGON ((-83.32101 9.38409, -83.31462 9.38327...

		name	x	y
element_type	osmid
node	1216928250	Banco de Costa Rica	-85.611292	11.211121
	1216933006	Coopeservidores	-85.629265	11.073783
	1216938665	Coopealianza	-85.634950	11.074872
	3850658798	Western Union	-85.634985	11.074833
	4705800690	Banco de Costa Rica	-85.633679	11.072130
	3944970146	National	-85.790141	10.439539
	6841410514	Banco BCT	-85.592828	10.557569
	1416827859	Banco de Costa Rica	-85.840884	10.299265
	1416827864	Banco Nacional	-85.841135	10.299191
	1416840798	Scotiabank Tamarindo	-85.830954	10.308842
	1416880273	Citibank	-85.830775	10.309509
	3954366792	Western Union	-85.841182	10.299170
	6841557704	BAC Credomatic	-85.840808	10.299165
	4748104271	Banco Popular	-85.664805	9.945123
	3042693649	Banco Nacional	-85.169051	10.823264

1. [50 puntos] Utilizando las bibliotecas `osmxn` y `folium` realice lo siguiente:¶

a) Identifique la ubicación de las sucursales bancarias del Banco Nacional, Banco de Costa Rica, Banco Popular y BAC a lo largo del territorio de Costa Rica.¶

b) Utilizando la biblioteca `folium` cree un mapa interactivo que permita ver las diferentes sucursales bancarias diferenciadas por su color.¶

c) Utilizando la biblioteca `folium` cree un mapa interactivo que permita ver la cantidad de sucursales bancarias en cada uno de los cantones.¶

d) Realice una interpretación de los resultados obtenidos.¶

2. [50 puntos] Utilizando el conjunto de datos base de datos `IPS_cantonal.xlsx` realice lo siguiente:¶

b) Seleccione una región y una variable de su interés y creee un mapa interactivo que permita observar el comportamiento de la variable.¶

c) Realice una interpretación de los resultados.¶

3. [30 puntos] Utilizando la biblioteca `altair` y la tabla de datos `movies` de la biblioteca `vega_datasets` realice lo siguiente:¶

a) Diseñe un gráfico que permita analizar el presupuesto por año en cada uno de los géneros cinematográficos.¶

b) Utilizando la biblioteca `altair` replique el diseño del punto anterior.¶

c) Interprete los resultados.¶

d) Diseñe un gráfico que permita analizar la variedad de géneros cinematográficos tomando para la comparación el primero año de cada década.¶

e) Utilizando la biblioteca `altair` replique el diseño del punto anterior.¶

f) Interprete los resultados.¶

	canton	Índice de Progreso Social
0	SAN JOSE	70.403172
1	ESCAZU	78.040103
2	DESAMPARADOS	73.489666
3	PURISCAL	78.876918
4	TARRAZU	74.302259

	canton	Esperanza de vida al nacer
0	SAN JOSE	78.751
1	ESCAZU	78.048
2	DESAMPARADOS	79.089
3	PURISCAL	82.038
4	TARRAZU	76.756

	canton	cantidad_bancos
0	Corredores	7
1	Golfito	5
2	Coto Brus	4
3	Osa	4
4	Buenos Aires	3
5	Pérez Zeledón	12
6	Quepos	5
7	Talamanca	2
8	Parrita	0
9	Tarrazú	0
10	Dota	1
11	Garabito	6
12	León Cortés Castro	1
13	Puriscal	1
14	Aserrí	4

	provincia	canton	poblacion	area_k2	geometry	cantidad_bancos	Índice de Progreso Social
0	Puntarenas	CORREDORES	51291.0	623.723527	POLYGON ((-82.90137 8.72708, -82.90033 8.72265...	7	69.165013
1	Puntarenas	GOLFITO	44572.0	1750.056183	MULTIPOLYGON (((-83.46660 8.68827, -83.46669 8...	5	67.931809
2	Puntarenas	COTO BRUS	44176.0	944.175405	POLYGON ((-82.96647 9.09421, -82.96337 9.09420...	4	71.172839
3	Puntarenas	OSA	30818.0	1922.774483	POLYGON ((-83.83946 9.25534, -83.83642 9.25533...	4	67.624872
4	Puntarenas	BUENOS AIRES	52126.0	2382.972927	POLYGON ((-83.32101 9.38409, -83.31462 9.38327...	3	69.989766
5	San José	PEREZ ZELEDON	142789.0	1901.393446	POLYGON ((-83.77329 9.59825, -83.77217 9.59826...	12	74.427587
6	Puntarenas	QUEPOS	32121.0	559.010331	POLYGON ((-84.13572 9.57168, -84.13337 9.57091...	5	68.591365
7	Limón	TALAMANCA	41518.0	2814.658267	POLYGON ((-82.89452 9.76752, -82.89216 9.76713...	2	61.662161
8	Puntarenas	PARRITA	19457.0	479.629981	POLYGON ((-84.30298 9.64969, -84.30067 9.64754...	0	67.495929
9	San José	TARRAZU	18264.0	290.111618	POLYGON ((-83.98178 9.71802, -83.97882 9.71819...	0	74.302259
10	San José	DOTA	7846.0	405.833655	POLYGON ((-83.98595 9.73927, -83.98254 9.73711...	1	76.336568
11	Puntarenas	GARABITO	24737.0	315.381452	POLYGON ((-84.67583 9.87729, -84.67448 9.87743...	6	65.428580
12	San José	LEON CORTES CASTRO	13493.0	121.938260	POLYGON ((-84.09415 9.74942, -84.09264 9.74917...	1	77.115197
13	San José	PURISCAL	37345.0	554.985169	POLYGON ((-84.40184 9.90958, -84.40088 9.90939...	1	78.876918
14	San José	ASERRI	62477.0	168.425499	POLYGON ((-84.08014 9.87557, -84.07916 9.87509...	4	72.560657

	provincia	canton	poblacion	area_k2	geometry	cantidad_bancos	Esperanza de vida al nacer
0	Puntarenas	CORREDORES	51291.0	623.723527	POLYGON ((-82.90137 8.72708, -82.90033 8.72265...	7	76.367
1	Puntarenas	GOLFITO	44572.0	1750.056183	MULTIPOLYGON (((-83.46660 8.68827, -83.46669 8...	5	76.246
2	Puntarenas	COTO BRUS	44176.0	944.175405	POLYGON ((-82.96647 9.09421, -82.96337 9.09420...	4	80.899
3	Puntarenas	OSA	30818.0	1922.774483	POLYGON ((-83.83946 9.25534, -83.83642 9.25533...	4	74.816
4	Puntarenas	BUENOS AIRES	52126.0	2382.972927	POLYGON ((-83.32101 9.38409, -83.31462 9.38327...	3	80.309
5	San José	PEREZ ZELEDON	142789.0	1901.393446	POLYGON ((-83.77329 9.59825, -83.77217 9.59826...	12	79.055
6	Puntarenas	QUEPOS	32121.0	559.010331	POLYGON ((-84.13572 9.57168, -84.13337 9.57091...	5	76.462
7	Limón	TALAMANCA	41518.0	2814.658267	POLYGON ((-82.89452 9.76752, -82.89216 9.76713...	2	75.631
8	Puntarenas	PARRITA	19457.0	479.629981	POLYGON ((-84.30298 9.64969, -84.30067 9.64754...	0	77.349
9	San José	TARRAZU	18264.0	290.111618	POLYGON ((-83.98178 9.71802, -83.97882 9.71819...	0	76.756
10	San José	DOTA	7846.0	405.833655	POLYGON ((-83.98595 9.73927, -83.98254 9.73711...	1	78.889
11	Puntarenas	GARABITO	24737.0	315.381452	POLYGON ((-84.67583 9.87729, -84.67448 9.87743...	6	78.357
12	San José	LEON CORTES CASTRO	13493.0	121.938260	POLYGON ((-84.09415 9.74942, -84.09264 9.74917...	1	80.199
13	San José	PURISCAL	37345.0	554.985169	POLYGON ((-84.40184 9.90958, -84.40088 9.90939...	1	82.038
14	San José	ASERRI	62477.0	168.425499	POLYGON ((-84.08014 9.87557, -84.07916 9.87509...	4	77.794

1. [50 puntos] Utilizando las bibliotecas osmxn y folium realice lo siguiente:¶

a) Identifique la ubicación de las sucursales bancarias del Banco Nacional, Banco de Costa Rica, Banco Popular y BAC a lo largo del territorio de Costa Rica.¶

b) Utilizando la biblioteca folium cree un mapa interactivo que permita ver las diferentes sucursales bancarias diferenciadas por su color.¶

c) Utilizando la biblioteca folium cree un mapa interactivo que permita ver la cantidad de sucursales bancarias en cada uno de los cantones.¶

d) Realice una interpretación de los resultados obtenidos.¶

2. [50 puntos] Utilizando el conjunto de datos base de datos IPS_cantonal.xlsx realice lo siguiente:¶

a) Utilizando la biblioteca folium diseñe un mapa interactivo que permita identifica como se comporta la variable Indice de Progreso Social en los diferentes cantones.¶

b) Seleccione una región y una variable de su interés y creee un mapa interactivo que permita observar el comportamiento de la variable.¶

c) Realice una interpretación de los resultados.¶

3. [30 puntos] Utilizando la biblioteca altair y la tabla de datos movies de la biblioteca vega_datasets realice lo siguiente:¶

a) Diseñe un gráfico que permita analizar el presupuesto por año en cada uno de los géneros cinematográficos.¶

b) Utilizando la biblioteca altair replique el diseño del punto anterior.¶

c) Interprete los resultados.¶

d) Diseñe un gráfico que permita analizar la variedad de géneros cinematográficos tomando para la comparación el primero año de cada década.¶

e) Utilizando la biblioteca altair replique el diseño del punto anterior.¶

f) Interprete los resultados.¶

1. [50 puntos] Utilizando las bibliotecas `osmxn` y `folium` realice lo siguiente:¶

b) Utilizando la biblioteca `folium` cree un mapa interactivo que permita ver las diferentes sucursales bancarias diferenciadas por su color.¶

c) Utilizando la biblioteca `folium` cree un mapa interactivo que permita ver la cantidad de sucursales bancarias en cada uno de los cantones.¶

2. [50 puntos] Utilizando el conjunto de datos base de datos `IPS_cantonal.xlsx` realice lo siguiente:¶

a) Utilizando la biblioteca `folium` diseñe un mapa interactivo que permita identifica como se comporta la variable Indice de Progreso Social en los diferentes cantones.¶

3. [30 puntos] Utilizando la biblioteca `altair` y la tabla de datos `movies` de la biblioteca `vega_datasets` realice lo siguiente:¶

b) Utilizando la biblioteca `altair` replique el diseño del punto anterior.¶

e) Utilizando la biblioteca `altair` replique el diseño del punto anterior.¶